对文本无关的说话人验证中模型距离归一化问题的研究

？在自动说话人验证中,模型距离归一化是非常有用的得分归一化技术之一.相比于其他的主流得分归一化技术,模型距离归一化的主要优点在于它不需要额外的语音数据和说话人集合.但是,它也仍然有自身的缺点.比如,在传统的模型距离归一化中,模型之间的KL距离用Monte-Carlo方法求得,而此方法的时间复杂度很高.本文从一个新的角度探讨了模型距离归一化的原理,并且提出了简化的模型距离归一化方法,即使用KL距离的上限来衡量两个说话人模型的距离.在2006年的NIST说话人评测数据集上,本文提出的简化的模型距离归一化方法取得了与传统方式相近的结果,而时间复杂度却大大降低了.